金属矿山

作者：吴满毅,徐良骥,张坤

单位：1. 安徽理工大学空间信息与测绘工程学院,安徽 淮南 232001;2. 矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室,安徽 淮南 232001;3. 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001

关键词：概率积分法 ,麻雀搜索算法, BP 神经网络 ,开采沉陷 ,参数预计,

为解决 BP(Back-ProPagation,BP)神经网络求取概率积分法预计参数出现的局部最优解和收敛速度慢的问题,采用麻雀搜索算法(Sparrow Search Algortihm,SSA)优化 BP 神经网络的结构,得到最优的权重值和偏置项,建立了基于 SSA-BP 神经网络的概率积分法预计参数求取模型。 结合 50 组典型的实测数据,随机抽取 45 组数据输入SSA-BP 神经网络模型进行训练,剩余数据输入训练好的模型求取概率积分法预计参数,并与实测数据对比,分析SSA-BP 神经网络模型和 BP 神经网络模型的优劣;通过改变训练样本和测试样本的数量,讨论模型精度与训练样本数量的关系。 研究表明:① SSA-BP 神经网络模型预计下沉系数 q、水平移动系数 b、开采影响传播角 θ、主要影响角正切值 tanβ 和拐点偏移距 s / H 的平均绝对百分比误差分别为 1. 33%、3. 48%、0. 49%、3. 86%和 9. 33%,BP 神经网络模型的相应取值分别为 8. 05%、7. 34%、3. 33%、9. 82%和 19. 60%,可见前者求解精度更高。 ② 两种模型求取的预计参数均与实测数据较接近,SSA-BP 神经网络模型最大相对误差为 21. 00%,最大迭代次数为 89 次,BP 神经网络模型最大相对误差为 35. 00%,最大迭代次数为 205 次,说明优化后的 BP 神经网络模型预计结果精度更高,收敛速度快。 ③在样本总量不变的情况下,随着训练样本数量的增加,模型的预计精度和可靠性也相应增加。 上述分析对于进一步提升概率积分法预计参数求取精度有一定的参考价值。

来源：2022年第08期

《金属矿山》期刊编辑部

查看金属矿山杂志2022年第08期